ESTATÍSTICA II – 10 SEMESTRE DE 2025

ATIVIDADE PRÁTICA SUPERVISIONADA 2 – APS2

Prezado(a) aluno(a),

Antes de começar a atividade, leia e siga as instruções a seguir.

1. Data de entrega: 23/03/2025 ate às 23:59

2. Grupo: Essa atividade deve ser feita em grupos contendo até 6 integrantes. IMPORTANTE:
• A formação dos grupos é de responsabilidade dos alunos. Os professores não irão atuar nessa
questão.
• Cabe aos alunos gerenciar o andamento dos trabalhos em grupo. Os professores não irão interferir
em problemas decorrentes do relacionamento entre os membros dos grupos.
• Todos os integrantes do grupo são responsáveis pelo que for entregue, certifique-se de conhecer
a versão final da APS antes da entrega. Os nomes dos integrantes devem estar na capa. NÃO
SERÁ ACEITO A INCLUSÃO DE NOMES DE ALUNOS, APÓS ENTREGA. A AUSÊNCIA DE NOME
ACARREA NOTA ZERO NO TRABALHO.
• Trabalhos enviados por e-mail com até uma hora de atraso terão 10% de desconto na nota. Até
2 horas 20%. Até 3 horas 30% e assim sucessivamente. Portanto, trabalhos com até 10 horas ou
mais de atraso não serão aceitos.
3. Link no Blackboard: um integrante do grupo deverá entregar:
• arquivo Word contendo as respostas desta APS. Atenção: É obrigatório colocar OS NOMES DOS
INTEGRANTES DO GRUPO NA CAPA desse arquivo; e
• é necessário apresentar o script do R e/ou o arquivo excel que você utilizou na resolução desta
APS.
4. Todos os resultados devem ser justificados. Números que apareçam sem uma explicação de como foram
encontrados serão ignorados na correção atividade.
5. Vocês poderão consultar livros, Internet e anotações. Todavia, nenhuma forma de plágio será tolerada!
O uso de IA (inteligência artificial). para obtenção dos resultados está proibido.
6. Leia atentamente cada questão e responda o que for solicitado. Erros conceituais serão penalizados,
mesmo que o conceito não se relacione com o que foi pedido na questão.
7. Não será permitida a consulta a colegas de outros grupos. Consultas a colegas de outros grupos
constituirá violação ao Código de Ética e Conduta e acarretarão as sanções previstas no Regimento da
Faculdade, além de ZERAR a ATIVIDADE!

Boa atividade!
Esta Atividade Prática Supervisionada avalia a capacidade do aluno de conduzir simulações de Monte Carlo
que permitam investigar a distribuição amostral de qualquer estatística de interesse. Em particular, o aluno
irá investigar o comportamento da distribuição da média amostral conforme varia-se o tamanho da
amostra.

Página 1 de 5
 ESTATÍSTICA II – 10 SEMESTRE DE 2025

Leitura Prévia - Aderência

A aderência à curva normal é fundamental em estatística e análise de dados, pois muitas técnicas
analíticas assumem que os dados seguem uma distribuição normal. Essa suposição permite a
aplicação de diversos testes estatísticos. Além disso, a curva normal facilita a previsão de
probabilidades e o cálculo de intervalos de confiança, tornando a interpretação dos dados mais
intuitiva e robusta. Aqui, apresentaremos uma forma de verificar se um conjunto de dados adere à
curva normal por meio do gráfico de probabilidade, entretanto, embora o gráfico de probabilidade
normal seja uma ferramenta útil para avaliar a normalidade dos dados, ele não é uma prova definitiva
da normalidade. Portanto, é importante usar várias técnicas estatísticas para avaliar a distribuição dos
seus dados, incluindo testes inferenciais de normalidade como o teste de Jarque-Bera, teste de
Shapiro-Wilk ou o teste de Anderson-Darling.

GRÁFICO DE PROBABILIDADE NORMAL - QQplot

Os gráficos de probabilidade são construídos com o intuito de verificar se um conjunto de dados pode
ter sido gerado a partir de uma específica distribuição de probabilidades contínua (distribuição
teórica). Há, na literatura, variações na construção desses gráficos. Apresentaremos uma delas.

A lógica da construção desse tipo de gráfico é comparar os dados observados (x) com os dados que
esperaríamos ter observado caso eles seguissem a distribuição de probabilidades teórica. Quando os
pontos no gráfico se aproximam de uma linha reta (bissetriz), há evidências de que os dados se
ajustam à distribuição teórica, neste caso, à distribuição normal. Isto é, vamos verificar se os dados
podem ter sido gerados de uma distribuição normal.

Variações desse método surgem com os nomes: Gráficos QQ, Gráficos de quantis, Gráficos PP, etc.

Lembre-se que um quantil da amostra pode ser obtido no R pelo comando:

quantile(nome_dataframe$nome_variavel_quanti, ordem) #ordem é algum valor entre 0 e 1

Já o quantil de uma distribuição normal teórica é obtido por:

z = qnorm(ordem)
x = media + z*dp # Aqui estamos fazendo a despadronização do x =  + z*

Se calculássemos vários valores entre 0 e 1 para representar a ordem:

ordem = seq(0, 1, 0.01)

poderíamos comparar cada quantil dos dados com seu respectivo quantil teórico obtido pela
distribuição normal e se, de maneira geral fossem parecidos, concluiríamos pela aderência dos dados
à normal.

As informações acima apenas foram descritas para compreender qual a construção do gráfico Q-Q,
porém, na prática, vamos considerar comandos prontos existentes no R conforme descrito a seguir:

Página 2 de 5
 ESTATÍSTICA II – 10 SEMESTRE DE 2025

qqnorm(): Esta função do R é usada para criar o gráfico Q-Q. Ela recebe como argumento o vetor
de dados que você deseja analisar.
qqline(): Depois de criar o gráfico Q-Q com qqnorm(), você pode adicionar uma linha reta que
representa a distribuição normal teórica usando qqline(). Essa linha ajuda na visualização de quão
bem, descritivamente, os dados se ajustam à normalidade.
Tais comandos foram utilizados no Roteiro apresentado na Aula 2.

Construção do gráfico Q-Q no R:

qqnorm(nome_dataframe$nome_variavel_quanti,
col = "blue", pch = 16 ) # Pode trocar de cor. Neste código, blue representa os dados
qqline(nome_dataframe$nome_variavel_quanti,
col = "red", lwd = 2 ) # Pode trocar de cor. Neste código, red representa a distribuição
Normal

O gráfico resultante mostrará os pontos dos quantis observados (seus dados) em relação aos quantis
de uma distribuição normal padrão. Se os pontos estiverem próximos a uma linha reta, isso indica
uma boa aderência à distribuição normal. Caso contrário, desvios significativos da reta (linha
vermelha) podem sugerir que os dados não seguem uma distribuição normal. Vale destacar que a
interpretação do QQ plot é subjetiva.

Estudo de simulação: Tempo de espera

No arquivo tempo_espera.xlsx, estão registrados os tempos de espera (em minutos) de 10.000 clientes
em um serviço de atendimento ao cliente ao longo de um mês. Esses valores representam a população
de tempos de espera nesse serviço. Nesta atividade, iremos assumir que o tempo de espera de um cliente,
denotado pela variável de interesse X, pode ser bem modelado por uma distribuição gamma com
parâmetros α (shape) e β (scale). Dessa forma, X tem função densidade de probabilidade dada por:

𝑥 𝛼−1 𝑒 −𝑥/𝛽
𝑓𝑋 (𝑥) = ,
𝛽 𝛼 Γ(α)

para 𝑥 > 0, com parâmetros α > 0 e β > 0. A esperança e a variância de 𝑋 são dadas, respectivamente,
por

E(𝑋) = 𝛼𝛽

Var(𝑋) = 𝛼𝛽 2.

a) (1,0 ponto) Calcule, a partir dos 10.000 valores de tempos de espera apresentados no arquivo
tempo_espera.xlsx, os valores da média e variância populacional e utilize as expressões de E(X) e

Página 3 de 5
 ESTATÍSTICA II – 10 SEMESTRE DE 2025

Var(X) para estimar os parâmetros α e β da distribuição gamma da população. Registre os valores

encontrados.

b) (2,0 pontos) Construa um histograma com os valores populacionais, ou seja, com os 10.000 tempos
de espera e sobreponha-o à função densidade de probabilidade da distribuição gamma Γ(α,β),
utilizando os valores dos parâmetros α e β encontrados no item anterior. Discuta qualitativamente o
ajuste obtido. Procure no R o comando que gera essa densidade de probabilidade Gama e utilize o
material disponibilizado em Estatística 1 para sobrepor o histograma ao gráfico da função densidade.

c) (4,5 pontos) Repita o procedimento abaixo para amostras de tamanho 𝑛 = 5, 10, 20 e 50.
i. Gere (veja a dica no final deste arquivo) 10.000 amostras aleatórias de tamanho 𝑛 (amostras
com repetição) a partir dos valores de venda contidos no arquivo tempo_espera.xlsx. Para
cada amostra gerada, calcule a média amostral.
ii. Faça um histograma e um QQplot das 10.000 médias amostrais assim obtidas e discuta o
resultado.
iii. Calcule a média das médias amostrais e conjecture uma relação entre o valor obtido e a média
populacional apresentada no item (a).
iv. Calcule a variância das médias amostrais e conjecture uma relação entre o valor obtido e a
variância populacional apresentada no item (a).
v. Estudar, graficamente, o comportamento da distribuição da média amostral à medida em que
aumentamos o tamanho amostral.

d) (2,5 pontos) Utilize os dados gerados no item anterior em que 𝑛 = 10. Investigue, via construção do
histograma, do gráfico QQ-plot, do cálculo da média e da variância, a distribuição da quarta
observação (𝑋4 ). Relacione com os resultados encontrados no item (b). Repita a investigação para a
oitava observação (𝑋9 ). Verifique, gráfica e numericamente, se há associação entre 𝑋4 e 𝑋9 .
Generalize e sumarize suas conclusões.

Página 4 de 5
 ESTATÍSTICA II – 10 SEMESTRE DE 2025

Dicas:
• R (RStudio): o comando sample pode ser utilizado para geração das amostras, como por
exemplo:

amostra_gen <- function(variavel_quanti,tamanho_amostra, num_simulacao){

medias <- numeric(num_simulacao)
amostras<- matrix(nrow = num_simulacao, ncol = tamanho_amostra)
for(i in 1: num_simulacao){
amostra <- sample(variavel_quanti, size = tamanho_amostra, replace = TRUE)
medias[i] <- mean(amostra)
amostras[i,] <- amostra
}
amostras_df<-[Link](amostras)
amostra_final <-cbind(amostras_df, medias)
return(amostra_final )
}
• Utilize o for para fazer o cálculo das médias amostrais para os diferentes tamanhos amostrais.

Página 5 de 5